Pachón Espinel, Diana Luz2019-09-272019-09-272019-09-27http://hdl.handle.net/20.500.12558/2497Trabajo de GradoLa integración de aprendizaje profundo o Deep Learning en los procesos de reciclaje, puede contribuir de manera significativa al cuidado y preservación del medio ambiente. Con base en esta afirmación, se desarrolló el proyecto de grado, cuyo objetivo fue realizar un prototipo de sistema automatizado que integra visión artificial para la selección de empaques de plástico, vidrio y lata. Se eligió la metodología Agile Kanban, que permite optimizar la secuencia de trabajo, ya que representa visualmente las tareas a desarrollar y su estado. Como punto de partida se realizó una entrevista la cual facilito la diagramación de requerimientos, con ello se implementó una estandarización para clasificar los diferentes materiales. El núcleo del prototipo fue la integración de una red neuronal convolucional, este algoritmo efectúa la clasificación del material entre plástico, vidrio y lata, con un margen de error del 5%. También, se conectó con un modelo a escala, mediante arduino que facilita el control de un conjunto de motores para un prototipo simulado, este se encuentra limitado por una serie de restricciones técnicas y de hardware, propias de un entorno controlado, de forma que el integrar visión artificial con un sistema automatizado para la clasificación de plástico, vidrio y lata se evidenció viable según los resultados obtenidos. The integration of deep learning in recycling processes can contribute significantly to the care and preservation of the environment. Based on this statement, the degree project was developed, whose objective was to make a prototype of an automated system that integrates artificial vision for the selection of plastic, glass and tin packaging. The Agile Kanban methodology was chosen, which allows to optimize the work sequence, since it visually represents the tasks to be developed and their status. As a starting point an interview was conducted which facilitated the layout of requirements, based on this, a standardization was implemented to classify the different recyclable materials. The nucleus of the prototype was the integration of a convolutional neuronal network, which makes the classification of plastic, glass and tin materials, with a margin of error of 5%. Also, it was connected to a scale model, by means of an arduino that facilitates the control of a set of motors for a simulated prototype, this is limited by a series of technical and hardware restrictions, typical of the environment in which it is desired to use. Consequently, the results of integrating artificial vision with an automated system for the classification of waste are viable according to the results obtained.spaAttribution-NonCommercial-NoDerivatives 4.0 Internationalhttp://creativecommons.org/licenses/by-nc-nd/4.0/Aprendizaje profundoArduinoProcesamiento de imágenesRed neuronal convolucionalVisión artificialMatlabDeep learningArduinoImage processingConvolutional neuronal networkArtificial visionMatlabThesis